CN112068097B - 雷达遥感数据的标注方法、装置、电子设备和存储介质 - Google Patents
雷达遥感数据的标注方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112068097B CN112068097B CN202010679828.XA CN202010679828A CN112068097B CN 112068097 B CN112068097 B CN 112068097B CN 202010679828 A CN202010679828 A CN 202010679828A CN 112068097 B CN112068097 B CN 112068097B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- remote sensing
- sensing data
- ground object
- object type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 90
- 230000003287 optical effect Effects 0.000 claims abstract description 209
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 14
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 39
- 230000010287 polarization Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Astronomy & Astrophysics (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了雷达遥感数据的标注方法、装置、电子设备和存储介质，涉及大数据、深度学习技术领域。具体方案为：获取雷达遥感数据及对应的光学遥感数据；对雷达遥感数据进行彩色合成，生成对应的彩色图像，并对光学遥感数据进行地物类型识别，确定光学遥感数据中每个第二像素点对应的地物类型，再根据每个第二像素点对应的地物类型、每个第二像素点的位置信息及各第三像素点的位置信息，对彩色图像中各第三像素点进行地物类型标注，确定彩色图像中各第三像素点对应的地物类型标注标签。由此，利用与雷达遥感数据对应的光学遥感数据的地物类型识别结果，对雷达遥感数据对应的彩色图像中每个像素点进行地物类型标注，标注准确性高、成本低。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及大数据、深度学习技术领域，尤其涉及一种雷达遥感数据的标注方法、装置、电子设备和存储介质。
背景技术
现今遥感应用遍布各个领域，比如在进行地物识别与检测方面有着比较重要的地位。在进行地物识别，比如水体识别时，可以采用雷达卫星进行识别，具体可以通过采用机器学习方法。
可见，如何对雷达遥感数据进行成本低、准确性高的标注是非常重要的。
发明内容
本申请提供一种雷达遥感数据的标注方法、装置、电子设备和存储介质。
根据本申请的一方面，提供了一种雷达遥感数据的标注方法，包括：
获取雷达遥感数据及对应的光学遥感数据，其中，所述雷达遥感数据中包含各第一像素点的位置信息、所述光学遥感数据中包含各第二像素点的位置信息；
对所述雷达遥感数据进行彩色合成，以生成对应的彩色图像，其中，所述彩色图像中的各第三像素点的位置信息分别与所述各第一像素点的位置信息相同；
对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型；以及
根据所述每个第二像素点对应的地物类型、所述每个第二像素点的位置信息及所述各第三像素点的位置信息，对所述彩色图像中各第三像素点进行地物类型标注，以确定所述彩色图像中各第三像素点对应的地物类型标注标签。
根据本申请的另一方面，提供了一种雷达遥感数据的标注装置，包括：
第一获取模块，用于获取雷达遥感数据及对应的光学遥感数据，其中，所述雷达遥感数据中包含各第一像素点的位置信息、所述光学遥感数据中包含各第二像素点的位置信息；
第一生成模块，用于对所述雷达遥感数据进行彩色合成，以生成对应的彩色图像，其中，所述彩色图像中的各第三像素点的位置信息分别与所述各第一像素点的位置信息相同；
第一确定模块，用于对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型；以及
第二确定模块，用于根据所述每个第二像素点对应的地物类型、所述每个第二像素点的位置信息及所述各第三像素点的位置信息，对所述彩色图像中各第三像素点进行地物类型标注，以确定所述彩色图像中各第三像素点对应的地物类型标注标签。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的雷达遥感数据的标注方法。
根据本申请另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的雷达遥感数据的标注方法。
根据本申请另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述一方面实施例所述的雷达遥感数据的标注方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的一种雷达遥感数据的标注方法的流程示意图；
图2为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图；
图3为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图；
图4为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图；
图5为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图；
图6为本申请实施例提供的一种雷达遥感数据的标注装置的结构示意图；
图7为根据本申请实施例的雷达遥感数据的标注方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的雷达遥感数据的标注方法、装置、电子设备和存储介质。
雷达在地物识别时，比如水体识别、森林识别等，可以采用机器学习方法，机器学习方法通常是对标注数据进行学习。但是，在像素点的维度进行人工标注，人工操作难度大大增加，而且容易造成边界误标注问题。
本申请实施例的雷达遥感数据的标注方法，通过利用与雷达遥感数据对应的光学遥感数据的地物类型识别结果，对雷达遥感数据对应的彩色图像中的每个像素点进行地物类型标注，实现了像素级标注，且标注准确性高、人工成本低。
图1为本申请实施例提供的一种雷达遥感数据的标注方法的流程示意图。
本申请实施例的雷达遥感数据的标注方法，可由本申请实施例提供的雷达遥感数据的标注装置执行，该装置可配置于电子设备中，以实现对雷达遥感数据对应的彩色图像进行像素级标注。该方法也可在云端运行。
如图1所示，该雷达遥感数据的标注方法包括：
步骤101，获取雷达遥感数据及对应的光学遥感数据，其中，雷达遥感数据中包含各第一像素点的位置信息、光学遥感数据中包含各第二像素点的位置信息。
本实施例中，雷达遥感数据是采用雷达设备发送电磁波，然后接收辐射和散射回波信号以形成的影像数据；光学遥感数据是借助空间相机、扫描仪、成像光谱仪器等光学遥感设备对地球表面实时探测和扫描得到的影像数据。其中，光学遥感设备和雷达设备可以采用卫星、空间站等设备作为空间载体。
目前许多单位可以提供经过一定预处理的光学遥感数据和雷达遥感数据，因此可以直接从提供方下载雷达遥感数据及对应的光学遥感数据。其中，雷达遥感数据中包含各第一像素点的位置信息，光学遥感数据中包含各第二像素点的位置信息。这里的像素点的位置信息可以是经纬度信息。
或者，也可以直接从集成了遥感数据并提供一定数量的工具进行数据处理的地理信息处理***，获取雷达遥感数据及对应的光学遥感数据。比如，可以使用裁剪工具直接在地理信息***上剪裁出一个区域，以得到该区域的雷达遥感数据及对应的光学遥感数据。
本实施例中，获取的雷达遥感数据及对应的光学遥感数据拍摄时间接近、且雷达遥感数据对应的地理区域与光学遥感数据对应的地理区域相同，或者雷达遥感数据对应的地理区域包含在光学遥感数据对应的地理区域中。
可以理解的是，由于同一地区不同时间建筑物、水体等可能会发生变化，因此获取的雷达遥感数据及对应的光学遥感数据拍摄时间接近，目的是为了提高标注的准确性。
比如，获取拍摄时间为t1，地理区域A和B的一组雷达遥感数据，与该雷达遥感数据对应的光学遥感数据为，拍摄时间与t1最接近，地理区域A和B的一组光学遥感数据，也可是包含了地理区域A和B及其他区域的一组光学遥感数据。
在具体实现时，雷达遥感数据可以是哨兵-1号雷达遥感数据，光学遥感数据可以为哨兵-2号多光谱光学遥感数据。
步骤102，对雷达遥感数据进行彩色合成，以生成对应的彩色图像。
由于雷达遥感数据比较复杂，在使用机器学习方法进行地物类型识别时，直接使用会增加机器学习难度。基于此，本实施例中，可将获取的雷达遥感数据进行彩色合成，生成对应的彩色图像。
卫星向地面发射信号时，所采用的无线电波的振动方向可以有多种方式，目前采用的是水平极化(H)和垂直极化(V)。其中，水平极化(H)：水平极化是指卫星向地面发射信号时，其无线电波的振动方向是水平方向；垂直极化(V)：垂直极化是指卫星向地面发射信号时，其无线电波的振动方向是垂直方向。
若使用H和V线性极化的雷达***用一对符号表示发射和接收极化，雷达***常用的四种极化方式为：HH(水平-水平)、VV(垂直-垂直)、HV(水平-垂直)、VH(垂直-水平)。在实际应用中，雷达***可以采用一种或多种极化方式。
本实施例中，可以对雷达遥感数据包括的不同极化方式的数据进行预处理，得到不同极化方式的雷达图像，然后对不同极化的雷达图像进行彩色合成。比如，雷达卫星采用HH、VH、VV三种极化方式，那么获取的雷达遥感数据中包括HH、VH、VV三种极化方式的数据，可将HH极化值作为像素点在红色分量上的灰度值，将VH极化值作为像素点在绿色分量上的灰度值，将VV作为像素点在蓝色分量上的灰度值，从而可以根据各像素点的红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值得到彩色图像。
需要说明的是，在实际应用中，可以根据获取的雷达遥感数据中包括的数据的极化方式的类型，根据需要设置不同类型的极化值，与红色、绿色和蓝色三种颜色分量的灰度值之间的映射方式，本申请实施例对此不作限定。
本实施例中，彩色图像中的各第三像素点的位置信息分别与各第一像素点的位置信息相同，那么根据每个第一像素点的位置信息，可以确定每个第三像素点的位置信息。
为了提高标注数据的准确性，可先对雷达遥感数据进行预处理，比如，加热性噪声去除、边界噪声消除、辐射校准、斑点过滤、地形校准等。然后，对预处理后的雷达遥感数据进行彩色合成，生成彩色图像。
其中，可对交叉极化通道比如VH或HV进行热性噪声去除；边界噪声消除主要是过滤场景边缘的低强度噪声。
步骤103，对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型。
本实施例中，对与雷达遥感数据对应的光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型。其中，地物类型可以包括水体、陆地、植被等等。
物体反射系数随波长变化而改变的特性称为地物反射光谱特性，以地物的光谱反射系数作为纵轴，以波长为横轴，在平面坐标系中所描绘出的曲线称为波谱反射曲线。
在对光学遥感数据进行地物类型识别时，可以预先获取不同地物的波普反射曲线，根据光学遥感数据中各第二像素点的在各个波长上的反射系数，和预先获取的不同地物的波普反射曲线，对地物类型进行识别，以确定每个光学遥感数据中各第二像素点对应的地物类型。
在实际应用中，为了提高标注的准确性，在获取光学遥感数据后，可以对光学遥感数据进行预处理，包括：辐射校正、大气校正等。其中，辐射校正和大气校正均可采用现有的方法，这里不再赘述。在对光学遥感数据进行预处理后，再对光学遥感数据进行地物类型识别。
步骤104，根据每个第二像素点对应的地物类型、每个第二像素点的位置信息及各第三像素点的位置信息，对彩色图像中各第三像素点进行地物类型标注，以确定彩色图像中各第三像素点对应的地物类型标注标签。
在获取彩色图像和光学遥感数据中各第二像素点的地物类型后，可以利用光学遥感数据得到的地物类型识别结果，对彩色图像进行标注。
本实施例中，彩色图像中各第三像素点与雷达遥感数据中各第一像素点的位置信息相同。在对彩色图像进行标注时，可针对彩色图像中每个第三像素点，先根据第三像素点的位置信息，确定与该第三像素点的位置信息相同的第二像素点。之后，将该第三像素点对应的地物类型标注为该第二像素点对应的地物类型。
或者，针对每个第一像素点，先根据第一像素点的位置信息和每个第二像素点的位置信息，确定与第一像素点的位置信息相同的第二像素点。然后，利用该第二像素点对应的地物类型，对彩色图像中与第一像素点的位置信息相同的第三像素点的进行地物类型标注。
可利用此方法，对彩色图像中的每个第三像素点进行地物类型标注，从而可以确定彩色图像中各第三像素点对应的地物类型标注标签。
比如，识别地物是否为时，彩色图像中像素点对应的地物类型为水体，地物类型标注标签可以用1表示，地物类型为非水体，对应的地物类型标注标签可以用0表示。
本申请实施例中，通过首先获取雷达遥感数据及对应的光学遥感数据，其中，雷达遥感数据中包含各第一像素点的位置信息、光学遥感数据中包含各第二像素点的位置信息，然后对雷达遥感数据进行彩色合成，以生成对应的彩色图像，并对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型，之后根据每个第二像素点对应的地物类型、每个第二像素点的位置信息及各第三像素点的位置信息，对彩色图像中各第三像素点进行地物类型标注，以确定彩色图像中各第三像素点对应的地物类型标注标签。由此，通过利用与雷达遥感数据对应的光学遥感数据的地物类型识别结果，对雷达遥感数据对应的彩色图像中的每个像素点进行地物类型标注，实现了像素级标注，且标注准确性高、人工成本低。
在实际应用中，若雷达遥感数据包括VV和VH两种极化方式的数据，比如哨兵-1号雷达遥感数据仅包括VV和VH两种极化方式的数据，在本申请的一个实施例中，可采用如下方式进行彩色合成。
本实施例中，雷达遥感数据中每个第一像素点对应VV(垂直-垂直)极化值和VH(垂直-水平)极化值。在进行彩色合成时，可以根据雷达遥感数据中每个第一像素点的VV极化值，确定每个第一像素点在红色分量上的灰度值，并根据每个第一像素点的VH极化值，确定每个第一像素点在绿色分量上的灰度值。然后，根据每个第一像素点在红色分量上的灰度值及在绿色分量上的灰度值，确定每个第一像素点在蓝色分量上的灰度值。
在获取每个第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值之后，由于各第三像素点的位置信息与各第一像素点的位置信息相同，那么可以根据每个第一像素点的位置信息，确定彩色图像中对应的每个第三像素点的位置信息，然后可以根据每个三像素点的在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值，可以生成彩色图像。
若彩色图像的灰度级为256，具体地，可以利用如下公式(1)-(3)生成各第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值。
其中，R表示第一像素点在红色分量上的灰度值，G表示第一像素点在绿色分量上的灰度值，B表示第一像素点在蓝色分量上的灰度值；vv表示雷达遥感数据中第一像素点的VV极化值，vh表示雷达遥感数据中第一像素点的VH极化值，l1、l2为常数。其中，l1、l2的值可以根据实际需要设置，经过大量实验当l1＝0.1、l2＝0.8时，生成的彩色图像比较接近实际。
本申请实施例中，在对雷达遥感数据进行彩色合成，以生成对应的彩色图时，通过根据雷达遥感数据中每个第一像素点的垂直-垂直极化值，确定每个第一像素点在红色分量上的灰度值；根据每个第一像素点的垂直-水平极化值，确定每个第一像素点在绿色分量上的灰度值；根据每个第一像素点在红色分量上的灰度值及在绿色分量上的灰度值，确定每个第一像素点在蓝色分量上的灰度值；根据每个第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值及每个第一像素点的位置信息，生成彩色图像。由此，通过根据雷达遥感数据中每个像素点的垂直-垂直极化值和垂直-水平极化值，得到每个第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值，从而实现将雷达遥感数据转换为彩色图像，进而对彩色图像进行地物类型进行标注，得到标注准确性较高的彩色图像。
在实际应用中，经常对水体进行识别与检测。在对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型时，在本申请的一个实施例中，光学遥感数据中还包括每个第二像素点在各个波段的反射系数，可通过图2所示的方式，确定每个第二像素点对应的地物类型是否为水体。图2为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图。
如图2所示，上述对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型,包括：
步骤201，根据每个第二像素点在各个波段的反射系数，计算每个第二像素点的综合反射系数。
光学卫星可以根据不同物体对不同波长的光线具有不同反射能力的原理，可以获取包含多个波段的反射系数的光学遥感数据。其中，光学遥感数据中包括每个第二像素点在各个波段的反射系数。
这里每个第二像素点在各个波段的反射系数，是指地球上与每个第二像素点对应的位置处的地物在各个波段的反射系数。
本实施例中，可以预先设定确定地物类型为水体的计算规则。在对光学遥感数据进行地物类型识别时，可以将每个第二像素点在各个波段的反射系数按照预设计算规则，计算每个第二像素点的综合反射系数，根据每个第二像素点的综合反射系数，确定每个第二像素点对应的地物类型。
由于不同的地物对不同波段的反射系数不同，在识别某种地物时，可以从光学遥感数据中获取容易辨别该地物的多个波段的反射系数，然后利用多个波段的反射系数进行该地物类型的识别。
比如，获取每个第二像素点在红色波段的发射系数和近红外波段的反射系数，将红色波段的反射系数减去近红外波段的反射系数得到差值，将差值与红色波段的发射系数和近红外波段的反射系数之和做比值，该比值为综合反射系数。
步骤202，判断任一第二像素点的综合反射系数是否大于阈值。如果是，则执行步骤203；否则，执行步骤204。
本实施例中，可将每个第二像素点的综合反射系数与阈值进行比较，判断第二像素点的综合反射系数是否大于阈值。
步骤203，确定任一第二像素点对应的地物类型为水体。
本实施例中，针对每个第二像素点，将第二像素点的综合反射系数与阈值进行比较。如果大于阈值，则确定该第二像素点对应的地物类型为水体。
步骤204，确定任一第二像素点对应的地物类型为非水体。
如果第二像素点对应的综合反射系数小于或等于阈值，则确定该第二像素点对应的地物类型为非水体。
比如，某第二像素点，如果红色波段的反射系数减去近红外波段的反射系数得到的差值，与红色波段的反射系数和近红外波段的反射系数之和的比值大于零，那么该第二像素点对应的地物类型为水体；如果比值小于或等于0，则该第二像素点对应的地物类型为非水体。
本申请实施例中，光学遥感数据中还包括每个第二像素点在各个波段的反射系数，在对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型时，通过根据每个第二像素点在各个波段的反射系数，计算每个第二像素点的综合反射系数；如果任一第二像素点的综合反射系数大于阈值，则确定任一第二像素点对应的地物类型为水体；否则，确定任一第二像素点对应的地物类型为非水体。由此，通过根据光学遥感数据中每个第二像素点在各个波段的反射系数，可以确定每个第二像素点的地物类型是否为水体。
在实际应用中，不同的地物在不同波段的反射系数不同，因此不同波段的反射系数对地物类型识别的重要程度也不相同。基于此，为了提高地物类型识别的准确性，在本申请的一个实施例中，可利用图3所示的方式，计算每个第二像素点综合反射系数，然后根据综合反射系数识别每个第二像素点对应的地物类型是否为水体。图3为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图。
如图3所示，上述对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型，包括：
步骤301，获取各个波段中每个波段的权重值。
本实施例中，各个波段中每个波段的权重值，可以根据是根据需要设定的，也可以是预先根据各个波段的反射系数在水体识别中的重要性确定的。
步骤302，根据光学遥感数据中每个第二像素点在各个波段的反射系数和每个波段对应的权重值，计算每个第二像素点的综合反射系数。
在获取每个波段对应的权重值后，针对每个第二像素点，将第二像素点在各个波段的反射系数与每个波段对应的权重值进行加权求和，计算出第二像素点的综合反射系数。
假设，有N个波段λ1、λ2、…、λN，其中N为大于1的整数，可以利用如下公式(4)进行计算：
ei＝k1*ei1+k2*ei2+…+kN*eiN (4)
其中，ei表示第i个第二像素点的综合反射系数，i为大于1的整数，ei1、ei2、…、eiN表示第i个第二像素点分别在波段λ1、λ2、…、λN的反射系数，k1、k2、…、kN是波段λ1、λ2、…、λN分别对应的权重值，即k1为波段λ1的权重值、k2为波段λ2的权重值、kN为波段λN的权重值。
比如，获取光学遥感数据中包括绿色波段、蓝色波段、MIR(Mid-infrared，中红外)波段、SWIR(short-wave length infrared，短波红外)的两种波段SWIR1和SWIR2。其中，SWIR1波段是1.55-1.5μm，SWIR2波段是2.09-2.35。那么，第i个第二像素点的综合反射系数可表示为ei＝k1*gi+k2*bi+k3*mi+k4*s1i+k5*s2i。
其中，gi表示第i个第二像素点在绿色波段的反射值，bi表示第i个第二像素点在蓝色波段的反射值，mi表示第i个第二像素点在MIR波段的反射值，s1i表示第i个第二像素点在SWIR1波段的反射值，s2i表示第i个第二像素点在SWIR2波段的反射值，k1、k2、k3、k4、k5分别是绿色波段、蓝色波段、MIR波段、SWIR1和SWIR2这个5个波段的权重值，具体的可以根据需要设定。经过大量实验，5个波段的权重值分别取2.5、1、-1.5、-1.5、-0.25时，水体识别准确性比较高。
步骤303，判断任一第二像素点的综合反射系数是否大于阈值。如果是，则执行步骤304；否则，执行步骤305。
步骤304，确定任一第二像素点对应的地物类型为水体。
步骤305，确定任一第二像素点对应的地物类型为非水体。
本实施例中，步骤304-步骤305与上述步骤203-步骤204类似，故在此不再赘述。
比如，绿色波段、蓝色波段、MIR波段、SWIR1和SWIR2这个5个波段权重值分别取2.5、1、-1.5、-1.5、-0.25，阈值为0。那么，可得到第i个第二像素点的综合反射系数为ei＝2.5*gi+*bi-1.5(mi+s1i)-0.25*s2i。若ei大于0，则确定第i个第二像素点对应的地物类型为水体。若ei小于或等于0，则确定第i个第二像素点对应地物类型为非水体。
本申请实施例中，在根据光学遥感数据中每个第二像素点在各个波段的反射系数，计算每个第二像素点的综合反射系数时，可获取各个波段中每个波段的权重值，然后根据光学遥感数据中每个第二像素点在各个波段的反射系数和每个波段对应的权重值，计算每个第二像素点的综合反射系数。由此，在计算综合反射系数时，考虑各个波段的权重值，从而提高了综合反射系数的准确性，那么基于综合反射系数识别每个第二像素点是否为水体，提高了地物类型识别的准确性。
为了提高标注的准确性，在本申请的一个实施例中，获取的与雷达遥感数据对应的光学遥感数据为多组，且每组光学遥感数据中包含的第二像素点的位置信息相同，也就是说，可获取与雷达遥感数据对应的多组相同地理区域的光学遥感数据，比如获取不同光学遥感设备在相同时刻或相近时刻拍摄的相同地理区域的光学遥感数据。这种情况下，可以利用图4所示的方式，确定光学遥感数据中每个第二像素点对应的地物类型。图4为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图。
如图4所示，上述对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点的地物类型，包括：
步骤401，对多组光学遥感数据分别进行地物类型识别，以确定每个第二像素点对应的多个候选地物类型。
本实施例中，对每组光学遥感数据进行地物类型识别，以确定每组光学遥感数据中每个第二像素点的地物类型。具体的地物类型识别方法可以参见上述实施例，故在此不再赘述。
不同组的光学遥感数据中位置信息的第二像素点对应的地物类型可能相同，也可能不同。由于每组光学遥感数据中包含的第二像素点的位置信息相同，那么根据每组光学遥感数据中每个第二像素点对应的地物类型，可统计每个第二像素点对应的多个候选地物类型。
比如，获取与雷达遥感数据对应的3组光学遥感数据，其中，3组光学遥感数据中位置信息相同的像素点p1对应的候选地物类型分别是水体、非水体、水体，可见像素点p1对应的水体和非水体两种候选地物类型。
步骤402，根据每个第二像素点对应的多个候选地物类型中各个候选地物类型的数量，确定每个候选地物类型的权重。
在确定每个第二像素点对应的多个候选地物类型后，统计每个候选地物类型的数量，然后根据每个候选地物类型的数量，确定每个候选地物类型的权重。其中，候选地物类型的数量越多，候选地物类型的权重越大。具体地，可将每个候选类型的数量与光学遥感数据的组数之间的比值，作为每个候选地物类型的权重。其中，候选地物类型的权重用于表征第二像素点对应的地理位置处是该候选地物类型的概率。
可以理解的是，每个第二像素点对应的各个候选地物类型的数量之和等于光学遥感数据的组数。
步骤403，将每个第二像素点对应的权重最大的候选地物类型，确定为每个第二像素点的目标地物类型。
由于候选地物类型的权重越大，说明第二像素点对应的地理位置处是该候选地物类型的可能性越大，那么在确定每个第二像素点对应的多个候选地物类型中每个候选地物类型的权重之后，可将每个第二像素点对应的权重最大的候选地物类型，确定为每个第二像素点的目标地物类型。
比如，多组光学遥感数据中像素点p2对应的候选地物类型中水体的权重最大，那么可将水体作为像素点p2对应的地物类型。
若第二像素点对应的每个候选地物类型的权重相同，可以随机选择一种候选地物类型作为目标候选地物类型，或者查询历史地物类型识别记录，将相同时间点、与第二像素点的位置信息相同的地理位置处的历史地物类型，作为候选地物类型。
本申请实施例中，若对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息不同，在对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点的地物类型时，可先对多组光学遥感数据分别进行地物类型识别，以确定每个第二像素点对应的多个候选地物类型，之后根据每个第二像素点对应的多个候选地物类型中各个候选地物类型的数量，确定每个候选地物类型的权重，将每个第二像素点对应的权重最大的候选地物类型，确定为每个第二像素点的目标地物类型。由此，通过利用同一地理区域的多组光学遥感数据对雷达遥感数据对应的彩色图像进行标注，提高了标注的准确性，并且根据每个第二像素点的候选地物类型的权重，确定每个第二像素点的地物类型，然后对彩色图像进行标注，进一步提高了标注的准确性。
上述实施例描述了多组光学遥感数据、且每组光学遥感数据中包含的第二像素点的位置信息相同的情况下，如何确定每个第二像素点对应的地物类型。在本申请的一个实施例中，获取的光学遥感数据有多组，且每组光学遥感数据中包含的第二像素点的位置信息不同，也就是说，每组光学遥感数据对应的地理区域各不相同。
这种情况下，在进行地物类型识别时，可根据每组光学遥感数据中各第二像素点的位置信息，将光学遥感数据进行拼接，具体的，可将两组光学遥感数据中处于边缘位置的位置接近的第二像素点进行拼接，生成目标光学遥感数据。其中，目标光学遥感数据对应的地理区域包括每组光学遥感数据对应的地理区域。
比如，有两组光学遥感数据，其中，一组为地理区域A和B的光学遥感数据，另一组为地理区域C的光学遥感数据，将两组光学遥感数据进行拼接得到，地理区域A、B和C三个区域的一组光学遥感数据。
在生成目标光学遥感数据后，对目标光学遥感数据进行地物类型识别，确定目标光学遥感数据中每个第二像素点对应的地物类型，具体的识别方式可以参见上述实施例，在此不再赘述。
在确定目标光学遥感数据中每个第二像素点对应的地物类型后，对彩色图像中对应位置的第三像素点进行地物类型标注，以确定每个第三像素点对应的地物类型。
需要说明的是，也可对每组光学遥感数据分别进行地物类型识别，得到每组光学遥感数据中每个第二像素点对应的地物类型，在对彩色图像进行标注时，从每组光学遥感数据中查找与每个第三像素点位置对应的第二像素点的地物类型，然后对每个第三像素点进行地物类型标注。
本申请实施例中，对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息不同，在对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点的地物类型时，可先根据每组光学遥感数据中各第二像素点的位置信息，将多组光学遥感数据进行拼接，以生成目标光学遥感数据，然后对目标光学遥感数据进行地物类型识别，以确定目标光学遥感数据中每个第二像素点的地物类型。由此，当获取不同地理区域的多组光遥感数据时，可将多组光学遥感数据拼接后进行地物类型识别，利用得到每个第二像素点对应的地物类型，对雷达遥感数据对应的彩色图像进行地物类型标注，实现像素级标注，标注准确性高、人工成本低。
上述实施例描述了获取的多组光学遥感数据中每个第二像素点的位置相同和不相同两种情况。在实际应用中，获取的多组光学遥感数据中可能存在部分第二像素点的位置信息相同的情况，两组光学遥感数据中位置信息相同的第二像素点在同一波段的反射系数可能相同，也可能不同。
基于此，可以先根据多组光学遥感数据进行融合，得到目标光学遥感数据，其中，目标光学遥感数据中包括多组光学遥感数据对应的地理区域。
具体地，根据每组光学遥感数据中各个第二像素点的位置信息，如果确认两组光学遥感数据中存在位置信息相同的第二像素点，可将每个波段的反射系数的平均值，作为位置相同的第二像素点在每个波段的目标反射系数。之后，对两组光学遥感数据进行拼接，最后生成的目标光学遥感数据中每个第二像素点的位置信息不同。然后，对目标光学遥感数据进行地物类型识别，确定目标光学遥感数据中每个第二像素点对应的地物类型，然后对彩色图像对应位置的第三像素点进行地物类型标注。
在本申请的一个实施例中，在确定彩色图像中各第三像素点对应的地物类型标注标签之后，可将标注后的彩色图像放入地物类型识别训练集，然后利用地物类型识别训练集训练得到地物类型识别模型。下面结合图5进行说明，图5为本申请实施例提供的另一种雷达遥感数据的标注方法的流程示意图。
如图5所述，上述在定所述彩色图像中各第三像素点对应的地物类型标注标签之后，还包括：
步骤501，将标注后的彩色图像放入地物类型识别训练集。
本实施例中，将进行地物标注得到的彩色图像放入地物类型识别训练集。
具体地，可以获取同一时间不同地理区域的多组雷达遥感数据，以及每组雷达遥感数据对应的光学遥感数据，然后利用对应的光学遥感数据中每个第二像素点对应的地物类型，对雷达遥感数据对应的彩色图像进行标注，将标注后的彩色图像放入地物类型识别训练集。
并且，还可获取同一地理区域不同时间的多组雷达遥感数据，以及每组雷达遥感数据对应的光学遥感数据，然后利用对应的光学遥感数据中每个第二像素点对应的地物类型，对雷达遥感数据对应的彩色图像进行标注，将标注后的彩色图像放入地物类型识别训练集。
由此，得到的地物类型识别训练集全方位覆盖各个时间段、各个地理区域，训练集比较丰富。
步骤502，将地物类型识别训练集中的每个彩色图像输入至初始神经网络，以获取每个彩色图像中每个第三像素点对应的地物类型预测标签。
本实施例中，可将地物类型识别训练集中的一张彩色图像输入至初始神经网络中，初始神经网模型提取彩色图像的特征，对该彩色图像中每个第三像素点的地物类型进行预测，获取该彩色图像中每个第三像素点对应的地物类型预测标签。
步骤503，根据每个第三像素点对应的地物类型预测标签与对应的地物类型标注标签的差异，对初始神经网络模型进行修正，以生成地物类型识别模型。
在获取该彩色图像中每个第三像素点对应的地物类型预测标签后，可根据每个第三像素点对应的地物类型预测标签与对应的地物类型标注标签的差异，计算损失值，如果损失值大于损失阈值，则对初始神经网络模型进行修正。这里的地物类型标注标签与光学遥感数据中对应位置的第二像素点对应的地物类型对应。
然后，将地物类型识别训练集中的另一张彩色图像输入至修正后的神经网络模型，然后继续上述过程。如果得到的损失值仍然大于损失阈值，则对神经网络模型进行修正，用地物类型识别训练集中的彩色图像继续训练，直至损失值小于损失值，生成地物类型识别模型。
本实施例中，初始神经网络模型可以采用深度神经网络模型，进行深度学习，得到地物类型识别模型。
在获取地物类型识别模型后，可以利用地物类型识别模型对待识别的雷达遥感数据进行地物类型识别。具体地，可以将待识别的雷达遥感数据转换为待识别的彩色图像，然后将待识别的彩色图像输入至地物类型识别模型，利用地物类型识别模型进行识别，以确定雷达遥感数据中各个位置的地物类型。
本申请实施例中，在确定彩色图像中各第三像素点对应的地物类型标注标签之后，将标注后的彩色图像放入地物类型识别训练集，然后将地物类型识别训练集中的每个彩色图像输入至初始神经网络，以获取每个彩色图像中每个第三像素点对应的地物类型预测标签，并根据每个第三像素点对应的地物类型预测标签与对应的地物类型标注标签的差异，对初始神经网络模型进行修正，以生成地物类型识别模型。由此，通过利用地物识别训练集中的经过标注的彩色图像，可以训练得到用于雷达识别的地物类型识别模型，由于对彩色图像的标注准确性高，那么得到地物类型识别模型的准确性也较高。
为了实现上述实施例，本申请实施例还提出一种雷达遥感数据的标注装置。图6为本申请实施例提供的一种雷达遥感数据的标注装置的结构示意图。
如图6所示，该雷达遥感数据的标注装置600包括：第一获取模块610、第一生成模块620、第一确定模块630及第二确定模块640。
第一获取模块610，用于获取雷达遥感数据及对应的光学遥感数据，其中，所述雷达遥感数据中包含各第一像素点的位置信息、所述光学遥感数据中包含各第二像素点的位置信息；
第一生成模块620，用于对所述雷达遥感数据进行彩色合成，以生成对应的彩色图像，其中，彩色图像中的各第三像素点的位置信息分别与各第一像素点的位置信息相同；
第一确定模块630，用于对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型；以及
第二确定模块640，用于根据所述每个第二像素点对应的地物类型、所述每个第二像素点的位置信息及所述各第三像素点的位置信息，对所述彩色图像中各第三像素点进行地物类型标注，以确定所述彩色图像中各第三像素点对应的地物类型标注标签。
在本申请实施例一种可能的实现方式中，上述第一生成模块620，包括：
第一确定单元，用于根据所述雷达遥感数据中每个第一像素点的垂直-垂直极化值，确定所述每个第一像素点在红色分量上的灰度值；
第二确定单元，用于根据所述每个第一像素点的垂直-水平极化值，确定所述每个第一像素点在绿色分量上的灰度值；
第三确定单元，用于根据所述每个第一像素点在红色分量上的灰度值及在绿色分量上的灰度值，确定所述每个第一像素点在蓝色分量上的灰度值；
第一生成单元，用于根据所述每个第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值及所述每个第一像素点的位置信息，生成所述彩色图像。
在本申请实施例一种可能的实现方式中，上述光学遥感数据中还包括每个所述第二像素点在各个波段的反射系数，上述第一确定模块630，包括：
计算单元，用于根据每个所述第二像素点在各个波段的反射系数，计算所述每个第二像素点的综合反射系数；
第四确定单元，用于如果任一第二像素点的综合反射系数大于阈值，则确定所述任一第二像素点对应的地物类型为水体；否则，确定所述任一第二像素点对应的地物类型为非水体。
在本申请实施例一种可能的实现方式中，上述计算单元，具体用于：
获取所述各个波段中每个波段的权重值；
根据所述光学遥感数据中所述每个第二像素点在各个波段的反射系数和所述每个波段对应的权重值，计算所述每个第二像素点的综合反射系数。
在本申请实施例一种可能的实现方式中，上述对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息相同，上述第一确定模块630，包括：
第五确定单元，用于对所述多组光学遥感数据分别进行地物类型识别，以确定所述每个第二像素点对应的多个候选地物类型；
第六确定单元，用于根据所述每个第二像素点对应的多个候选地物类型中各个候选地物类型的数量，确定每个候选地物类型的权重；
第七确定单元，用于将所述每个第二像素点对应的权重最大的候选地物类型，确定为所述每个第二像素点的目标地物类型。
在本申请实施例一种可能的实现方式中，上述对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息不同，上述第一确定模块630，包括：
第二生成单元，用于根据每组光学遥感数据中各第二像素点的位置信息，将所述多组光学遥感数据进行拼接，以生成目标光学遥感数据；
第八确定单元，用于对所述目标光学遥感数据进行地物类型识别，以确定所述目标光学遥感数据中每个第二像素点的地物类型。
在本申请实施例一种可能的实现方式中，该装置还可包括：
放入模块，用于将标注后的所述彩色图像放入地物类型识别训练集；
第二获取模块，用于将所述地物类型识别训练集中的每个彩色图像输入至初始神经网络，以获取所述每个彩色图像中每个第三像素点对应的地物类型预测标签；
第二生成模块，用于根据所述每个第三像素点对应的地物类型预测标签与对应的所述地物类型标注标签的差异，对所述初始神经网络模型进行修正，以生成地物类型识别模型。
需要说明的是，前述雷达遥感数据的标注方法实施例的解释说明，也适用于该实施例的雷达遥感数据的标注装置，故在此不再赘述。
本申请实施例的雷达遥感数据的标注装置，通过首先获取雷达遥感数据及对应的光学遥感数据，其中，雷达遥感数据中包含各第一像素点的位置信息、光学遥感数据中包含各第二像素点的位置信息，然后对雷达遥感数据进行彩色合成，以生成对应的彩色图像，并对光学遥感数据进行地物类型识别，以确定光学遥感数据中每个第二像素点对应的地物类型，之后根据每个第二像素点对应的地物类型、每个第二像素点的位置信息及各第三像素点的位置信息，对彩色图像中各第三像素点进行地物类型标注，以确定彩色图像中各第三像素点对应的地物类型标注标签。由此，通过利用与雷达遥感数据对应的光学遥感数据的地物类型识别结果，对雷达遥感数据对应的彩色图像中的每个像素点进行地物类型标注，实现了像素级标注，且标注准确性高、人工成本低。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的雷达遥感数据的标注方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的雷达遥感数据的标注方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的雷达遥感数据的标注方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的雷达遥感数据的标注方法对应的程序指令/模块(例如，附图6所示的第一获取模块610、第一生成模块620、第一确定模块630及第二确定模块640)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的雷达遥感数据的标注方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据雷达遥感数据的标注电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至雷达遥感数据的标注方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
雷达遥感数据的标注方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与雷达遥感数据的标注方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server,虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，通过利用与雷达遥感数据对应的光学遥感数据的地物类型识别结果，对雷达遥感数据对应的彩色图像中的每个像素点进行地物类型标注，实现了像素级标注，且标注准确性高、人工成本低。
为了实现上述实施例，本申请实施例还提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述实施例所述的雷达遥感数据的标注方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (15)
1.一种雷达遥感数据的标注方法，包括：
获取雷达遥感数据及对应的光学遥感数据，其中，所述雷达遥感数据中包含各第一像素点的位置信息、所述光学遥感数据中包含各第二像素点的位置信息；
对所述雷达遥感数据进行彩色合成，以生成对应的彩色图像，其中，所述彩色图像中的各第三像素点的位置信息分别与所述各第一像素点的位置信息相同；
对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型；以及
根据所述每个第二像素点对应的地物类型、所述每个第二像素点的位置信息及所述各第三像素点的位置信息，对所述彩色图像中各第三像素点进行地物类型标注，以确定所述彩色图像中各第三像素点对应的地物类型标注标签；
将标注后的所述彩色图像放入地物类型识别训练集；
将所述地物类型识别训练集中的每个彩色图像输入至初始神经网络，以获取所述每个彩色图像中每个第三像素点对应的地物类型预测标签；
根据所述每个第三像素点对应的地物类型预测标签与对应的所述地物类型标注标签的差异，对所述初始神经网络模型进行修正，以生成地物类型识别模型；
采用所述地物类型识别模型对待识别的雷达遥感数据进行地物类型识别。
2.如权利要求1所述的方法，其中，所述对所述雷达遥感数据进行彩色合成，以生成对应的彩色图像，包括：
根据所述雷达遥感数据中每个第一像素点的垂直-垂直极化值，确定所述每个第一像素点在红色分量上的灰度值；
根据所述每个第一像素点的垂直-水平极化值，确定所述每个第一像素点在绿色分量上的灰度值；
根据所述每个第一像素点在红色分量上的灰度值及在绿色分量上的灰度值，确定所述每个第一像素点在蓝色分量上的灰度值；
根据所述每个第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值及所述每个第一像素点的位置信息，生成所述彩色图像。
3.如权利要求1所述的方法，其中，所述光学遥感数据中还包括每个所述第二像素点在各个波段的反射系数，所述对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型,包括：
根据每个所述第二像素点在各个波段的反射系数，计算所述每个第二像素点的综合反射系数；
如果任一第二像素点的综合反射系数大于阈值，则确定所述任一第二像素点对应的地物类型为水体；
否则，确定所述任一第二像素点对应的地物类型为非水体。
4.如权利要求3所述的方法，其中，所述根据所述光学遥感数据中每个第二像素点在各个波段的反射系数，计算所述每个第二像素点的综合反射系数，包括：
获取所述各个波段中每个波段的权重值；
根据所述光学遥感数据中所述每个第二像素点在各个波段的反射系数和所述每个波段对应的权重值，计算所述每个第二像素点的综合反射系数。
5.如权利要求1所述的方法，其中，所述对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息相同，所述对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型，包括：
对所述多组光学遥感数据分别进行地物类型识别，以确定所述每个第二像素点对应的多个候选地物类型；
根据所述每个第二像素点对应的多个候选地物类型中各个候选地物类型的数量，确定每个候选地物类型的权重；
将所述每个第二像素点对应的权重最大的候选地物类型，确定为所述每个第二像素点的目标地物类型。
6.如权利要求1所述的方法，其中，所述对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息不同，所述对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点的地物类型，包括：
根据每组光学遥感数据中各第二像素点的位置信息，将所述多组光学遥感数据进行拼接，以生成目标光学遥感数据；
对所述目标光学遥感数据进行地物类型识别，以确定所述目标光学遥感数据中每个第二像素点的地物类型。
7.一种雷达遥感数据的标注装置，包括：
第一获取模块，用于获取雷达遥感数据及对应的光学遥感数据，其中，所述雷达遥感数据中包含各第一像素点的位置信息、所述光学遥感数据中包含各第二像素点的位置信息；
第一生成模块，用于对所述雷达遥感数据进行彩色合成，以生成对应的彩色图像，其中，所述彩色图像中的各第三像素点的位置信息分别与所述各第一像素点的位置信息相同；
第一确定模块，用于对所述光学遥感数据进行地物类型识别，以确定所述光学遥感数据中每个第二像素点对应的地物类型；以及
第二确定模块，用于根据所述每个第二像素点对应的地物类型、所述每个第二像素点的位置信息及所述各第三像素点的位置信息，对所述彩色图像中各第三像素点进行地物类型标注，以确定所述彩色图像中各第三像素点对应的地物类型标注标签；
放入模块，用于将标注后的所述彩色图像放入地物类型识别训练集；
第二获取模块，用于将所述地物类型识别训练集中的每个彩色图像输入至初始神经网络，以获取所述每个彩色图像中每个第三像素点对应的地物类型预测标签；
第二生成模块，用于根据所述每个第三像素点对应的地物类型预测标签与对应的所述地物类型标注标签的差异，对所述初始神经网络模型进行修正，以生成地物类型识别模型；
所述装置还用于：
采用所述地物类型识别模型对待识别的雷达遥感数据进行地物类型识别。
8.如权利要求7所述的装置，其中，所述第一生成模块，包括：
第一确定单元，用于根据所述雷达遥感数据中每个第一像素点的垂直-垂直极化值，确定所述每个第一像素点在红色分量上的灰度值；
第二确定单元，用于根据所述每个第一像素点的垂直-水平极化值，确定所述每个第一像素点在绿色分量上的灰度值；
第三确定单元，用于根据所述每个第一像素点在红色分量上的灰度值及在绿色分量上的灰度值，确定所述每个第一像素点在蓝色分量上的灰度值；
第一生成单元，用于根据所述每个第一像素点在红色分量上的灰度值、绿色分量上的灰度值、蓝色分量上的灰度值及所述每个第一像素点的位置信息，生成所述彩色图像。
9.如权利要求7所述的装置，其中，所述光学遥感数据中还包括每个所述第二像素点在各个波段的反射系数，所述第一确定模块，包括：
计算单元，用于根据每个所述第二像素点在各个波段的反射系数，计算所述每个第二像素点的综合反射系数；
第四确定单元，用于如果任一第二像素点的综合反射系数大于阈值，则确定所述任一第二像素点对应的地物类型为水体；否则，确定所述任一第二像素点对应的地物类型为非水体。
10.如权利要求9所述的装置，其中，所述计算单元，具体用于：
获取所述各个波段中每个波段的权重值；
根据所述光学遥感数据中所述每个第二像素点在各个波段的反射系数和所述每个波段对应的权重值，计算所述每个第二像素点的综合反射系数。
11.如权利要求7所述的装置，其中，所述对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息相同，所述第一确定模块，包括：
第五确定单元，用于对所述多组光学遥感数据分别进行地物类型识别，以确定所述每个第二像素点对应的多个候选地物类型；
第六确定单元，用于根据所述每个第二像素点对应的多个候选地物类型中各个候选地物类型的数量，确定每个候选地物类型的权重；
第七确定单元，用于将所述每个第二像素点对应的权重最大的候选地物类型，确定为所述每个第二像素点的目标地物类型。
12.如权利要求7所述的装置，其中，所述对应的光学遥感数据为多组、且每组光学遥感数据中包含的第二像素点的位置信息不同，所述第一确定模块，包括：
第二生成单元，用于根据每组光学遥感数据中各第二像素点的位置信息，将所述多组光学遥感数据进行拼接，以生成目标光学遥感数据；
第八确定单元，用于对所述目标光学遥感数据进行地物类型识别，以确定所述目标光学遥感数据中每个第二像素点的地物类型。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的雷达遥感数据的标注方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的雷达遥感数据的标注方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的雷达遥感数据的标注方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010679828.XA CN112068097B (zh) | 2020-07-15 | 2020-07-15 | 雷达遥感数据的标注方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010679828.XA CN112068097B (zh) | 2020-07-15 | 2020-07-15 | 雷达遥感数据的标注方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112068097A CN112068097A (zh) | 2020-12-11 |
| CN112068097B true CN112068097B (zh) | 2023-10-17 |
Family
ID=73657269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010679828.XA Active CN112068097B (zh) | 2020-07-15 | 2020-07-15 | 雷达遥感数据的标注方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112068097B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542590A (zh) * | 2011-12-27 | 2012-07-04 | 上海交通大学 | 基于监督主题模型的高分辨率sar影像标注方法 |
| CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及*** |
| CN110633281A (zh) * | 2019-09-12 | 2019-12-31 | 北京百度网讯科技有限公司 | 多类型数据源的处理方法及装置 |
| CN110703244A (zh) * | 2019-09-05 | 2020-01-17 | 中国科学院遥感与数字地球研究所 | 基于遥感数据识别城区内水体的方法和装置 |
| CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9036047B2 (en) * | 2013-03-12 | 2015-05-19 | Intel Corporation | Apparatus and techniques for image processing |
| US10806334B2 (en) * | 2017-02-28 | 2020-10-20 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
-
2020
- 2020-07-15 CN CN202010679828.XA patent/CN112068097B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542590A (zh) * | 2011-12-27 | 2012-07-04 | 上海交通大学 | 基于监督主题模型的高分辨率sar影像标注方法 |
| CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及*** |
| CN110703244A (zh) * | 2019-09-05 | 2020-01-17 | 中国科学院遥感与数字地球研究所 | 基于遥感数据识别城区内水体的方法和装置 |
| CN110633281A (zh) * | 2019-09-12 | 2019-12-31 | 北京百度网讯科技有限公司 | 多类型数据源的处理方法及装置 |
| CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112068097A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | SAR-to-optical image translation using supervised cycle-consistent adversarial networks | |
| Li et al. | Underwater image de-scattering and classification by deep neural network | |
| US9275267B2 (en) | System and method for automatic registration of 3D data with electro-optical imagery via photogrammetric bundle adjustment | |
| CN112132829A (zh) | 车辆信息的检测方法、装置、电子设备和存储介质 | |
| US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
| CN111291885A (zh) | 近红外图像的生成方法、生成网络的训练方法和装置 | |
| CN111602138B (zh) | 基于人工神经网络的物体检测的***及方法 | |
| US20190213790A1 (en) | Method and System for Semantic Labeling of Point Clouds | |
| US20230281913A1 (en) | Radiance Fields for Three-Dimensional Reconstruction and Novel View Synthesis in Large-Scale Environments | |
| Koch | Remote sensing supporting national forest inventories NFA | |
| CN116342452A (zh) | 图像生成方法和融合成像*** | |
| CN107221007A (zh) | 一种基于图像特征降维的无人车单目视觉定位方法 | |
| Rodin et al. | Detectability of objects at the sea surface in visible light and thermal camera images | |
| US20210192789A1 (en) | Information weighted rendering of 3d point set | |
| CN112068097B (zh) | 雷达遥感数据的标注方法、装置、电子设备和存储介质 | |
| CN113327271A (zh) | 基于双光孪生网络决策级目标跟踪方法、***及存储介质 | |
| WO2020243256A1 (en) | System and method for navigation and geolocation in gps-denied environments | |
| US11557059B2 (en) | System and method for determining position of multi-dimensional object from satellite images | |
| CN109978982B (zh) | 一种基于倾斜影像的点云快速上色方法 | |
| Hickman et al. | Image fusion systems for surveillance applications: design options and constraints for a tri-band camera | |
| KR102053845B1 (ko) | Pga 기반의 표적 탐지용 영상 생성 방법 및 그 장치 | |
| Hernandez-Beltran et al. | Real-time image dehazing using genetic programming | |
| CN116188586B (zh) | 一种基于光分布的定位***与方法 | |
| Sinha et al. | A review on assessment of camera sensors and data acquisitions using satellite imaging for remote sensing | |
| Zeng et al. | A stereo image matching method to improve the DSM accuracy inside building boundaries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |